MD17
PulseAugur coverage of MD17 — every cluster mentioning MD17 across labs, papers, and developer communities, ranked by signal.
-
新方法提高了原子间势模型的准确性
研究人员开发了新的方法，即物理感知邻域（PAN）池化和物理引导谱（PGS）混合器，以提高短程等变原子间势的准确性。这些技术侧重于改进神经网络势中的标量通道，这对于聚合和解析能量表面至关重要。当应用于 MACE 骨架时，这些标量通路校正显著降低了各种材料和分子在力与能量上的误差，计算成本仅略有增加。在 Allegro 和 NequIP 等其他模型中也观察到了改进，这表明这些标量通路保真度增强功能在不同的短程等变架构中具有可移植性。
-
新的神经网络算子加速密度泛函理论计算
研究人员开发了HamEvo，这是一种新颖的神经网络算子，旨在通过预测Kohn-Sham哈密顿量来加速密度泛函理论（DFT）计算。与现有基线相比，该方法将误差降低了35-49%，并能高精度地预测分子轨道能量。HamEvo表现出令人印象深刻的可扩展性，只需少量微调即可将其能力扩展到更大的分子，并且推理速度比传统DFT快242倍。
-
新型 AI 模型利用 SO(2) 框架增强电子结构计算
研究人员开发了 QHNetV2，这是一种新颖的神经网络，旨在高效预测哈密顿矩阵，从而加速电子结构计算。该模型通过在局部框架内利用高效的 SO(2) 等变操作来实现全局 SO(3) 等变性，避免了昂贵的 SO(3) Clebsch-Gordan 张量积的需要。在 QH9 和 MD17 等大型数据集上的实验表明，QHNetV2 在各种分子结构和轨迹上均表现出卓越的性能和泛化能力，表明其在电子结构中具有可扩展、对称感知学习的潜力。
-
轨道变换器学习分子波函数，加速TDDFT模拟
研究人员开发了OrbEvo，一个等变图变换器模型，用于预测时间相关密度泛函理论（TDDFT）中的分子波函数。这种新方法旨在加速外部激发下分子动力学的模拟，这对于预测光学吸收和电子动力学等性质至关重要。OrbEvo利用波函数池化或密度矩阵聚合来学习时间演化算符，并在源自QM9和MD17的数据集上显示出准确的结果。